Datenbanken 2
Indexstrukturen
Nikolaus Augsten
nikolaus.augsten@sbg.ac.at FB Computerwissenschaften
Universit¨at Salzburg
http://dbresearch.uni-salzburg.at
WS 2018/19
Version 20. November 2018
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Literatur und Quellen
Lekt¨ure zum Thema “Indexstrukturen”:
Kapitel 7 aus Kemper und Eickler: Datenbanksysteme: Eine Einf¨uhrung.
Oldenbourg Verlag, 2013.
Chapter 11 in Silberschatz, Korth, and Sudarashan: Database System Concepts. McGraw Hill, 2011.
Danksagung Die Vorlage zu diesen Folien wurde entwickelt von:
Michael B¨ohlen, Universit¨at Z¨urich, Schweiz Johann Gamper, Freie Universit¨at Bozen, Italien
Indexstrukturen f¨ur Dateien Grundlagen
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Grundlagen/1
Index beschleunigt Zugriff, z.B.:
Autorenkatalog in Bibliothek Index in einem Buch
Index-Datei besteht aus Datens¨atzen: den Index-Eintr¨agen Index-Eintrag hat die Form
(Suchschl¨ussel, Pointer)
Suchschl¨ussel: Attribut(liste) nach der Daten gesucht werden Pointer: Pointer auf einen Datensatz (TID)
Suchschl¨ussel darf mehrfach vorkommen
(im Gegensatz zu Schl¨usseln von Relationen)
Index-Datei meist viel kleiner als die indizierte Daten-Datei
Indexstrukturen f¨ur Dateien Grundlagen
Grundlagen/2
Merkmale des Index sind:
Zugriffszeit
Zeit f¨ur Einf¨ugen Zeit f¨ur L¨oschen Speicherbedarf
effizient unterst¨utzte Zugriffsarten
Wichtigste Zugriffsarten sind:
Punktanfragen: z.B. Person mit SVN=1983-3920
Mehrpunktanfragen: z.B. Personen, die 1980 geboren wurden
Bereichsanfragen: z.B. Personen die mehr als 100.000 EUR verdienen
Grundlagen/3
Indextypen werden nach folgenden Kriterien unterschieden:
Ordnung der Daten- und Index-Datei:
Prim¨arindex Clustered Index Sekund¨arindex
Art der Index-Eintr¨agen :
sparse Index dense Index
Nicht alle Kombinationen ¨ublich/m¨oglich:
Prim¨arindex ist oft sparse
Sekund¨arindex ist immer dense
Indexstrukturen f¨ur Dateien Grundlagen
Prim¨arindex/1
Prim¨arindex :
Datens¨atze in der Daten-Datei sind nach Suchschl¨ussel sortiert Suchschl¨ussel ist eindeutig, d.h., Suche nach 1 Schl¨ussel ergibt (h¨ochstens) 1 Tupel
..
. ... Key Ptr
..
. ...
Key
Prim¨arindex/2
Index-Datei:
sequentiell geordnet nach Suchschl¨ussel
Daten-Datei:
sequentiell geordnet nach Suchschl¨ussel jeder Suchschl¨ussel kommt nur 1 mal vor
Effiziente Zugriffsarten:
Punkt- und Bereichsanfragen
nicht-sequentieller Zugriff (random access)
sequentieller Zugriff nach Suchschl¨ussel sortiert (sequential access)
Indexstrukturen f¨ur Dateien Grundlagen
Clustered Index
Index-Datei:
sequentiell geordnet nach Suchschl¨ussel
Daten-Datei:
sequentiell geordnet nach Suchschl¨ussel Suchschl¨ussel kann mehrfach vorkommen
Effiziente Zugriffsarten:
Punkt-, Mehrpunkt-, und Bereichsanfragen nicht-sequentieller Zugriff (random access)
sequentieller Zugriff nach Suchschl¨ussel sortiert (sequential access)
Round Hill Redwood Perryridge
Mianus Downtown
Brighton A-217 Brighton 750
A-101 Downtown 500 A-110 Downtown 600
A-215 Mianus 700
A-102 Perryridge 400 A-201 Perryridge 900 A-218 Perryridge 700
Sekund¨arindex/1
Prim¨ar- vs. Sekund¨arindex:
nur 1 Prim¨arindex (bzw. Clustered Index) m¨oglich beliebig viele Sekund¨arindizes
Sekund¨arindex f¨ur schnellen Zugriff auf alle Felder, die nicht Suchschl¨ussel des Prim¨arindex sind
Beispiel: Konten mit Prim¨arindex auf Kontonummer
Finde alle Konten einer bestimmten Filiale.
Finde alle Konten mit 1000 bis 1500 EUR Guthaben.
Ohne Index k¨onnen diese Anfragen nur durch sequentielles Lesen aller Knoten beantwortet werden – sehr langsam
Sekund¨arindex f¨ur schnellen Zugriff erforderlich
Indexstrukturen f¨ur Dateien Grundlagen
Sekund¨arindex/2
Index-Datei:
sequentiell nach Suchschl¨ussel geordnet
Daten-Datei:
Suchschl¨ussel kann mehrfach vorkommen nicht nach Suchschl¨ussel geordnet
..
. ... Key Ptr
..
. ... ...
Key
Sekund¨arindex/3
Effiziente Zugriffsarten:
sehr schnell f¨ur Punktanfragen
Mehrpunkt- und Bereichsanfragen: gut wenn nur kleiner Teil der Tabelle zur¨uckgeliefert wird (wenige %)
besonders f¨ur nicht-sequentiellen Zugriff (random access) geeignet
Indexstrukturen f¨ur Dateien Grundlagen
Duplikate/1
Umgang mit mehrfachen Suchschl¨usseln:
(a) Doppelte Indexeintr¨age:
ein Indexeintrag f¨ur jeden Datensatz
→ schwierig zu handhaben, z.B. in B+-Baum Index
(b) Buckets:
nur einen Indexeintrag pro Suchschl¨ussel Index-Eintrag zeigt auf ein Bucket
Bucket zeigt auf alle Datens¨atze zum entsprechenden Suchschl¨ussel
→ zus¨atzlicher Block (Bucket) muss gelesen werden
750 700 600 500 400 350 Key Ptr
A-305 Round Hill 350
A-222 Redwood 700
A-218 Perryridge 700 A-201 Perryridge 900 A-102 Perryridge 400
A-215 Mianus 700
A-110 Downtown 600
A-217 Brighton 750
A-101 Downtown 500
Duplikate/2
Umgang mit mehrfachen Suchschl¨usseln:
(c) Suchschl¨ussel eindeutig machen:
Einf¨ugen: TID wird an Suchschl¨ussel angeh¨angt (sodass dieser eindeutig wird)
L¨oschen: Suchschl¨ussel und TID werden ben¨otigt (ergibt genau 1 Index-Eintrag)
Suche: nur Suchschl¨ussel wird ben¨otigt (ergibt mehrere Index-Eintr¨age)
→ wird in der Praxis verwendet
Indexstrukturen f¨ur Dateien Grundlagen
Sparse Index/1
Sparse Index
ein Index-Eintrag f¨ur mehrere Datens¨atze
kleiner Index: weniger Index-Eintr¨age als Datens¨atze
nur m¨oglich wenn Datens¨atze nach Suchschl¨ussel geordnet sind (d.h. Prim¨arindex oder Clustered Index)
Index-Datei Redwood
Mianus
Brighton A-217 Brighton 750
A-101 Downtown 500 A-110 Downtown 600
A-215 Mianus 700
A-102 Perryridge 400 A-201 Perryridge 900 A-218 Perryridge 700 A-222 Redwood 700 A-305 Round Hill 350
Daten-Datei
Sparse Index/2
Oft enth¨alt ein sparse Index einen Eintrag pro Block.
Der Suchschl¨ussel, der im Index f¨ur eine Block gespeichert wird, ist der kleinste Schl¨ussel in diesem Block .
.. . Datenblock 1
Datenblock 0 ..
. ...
Indexstrukturen f¨ur Dateien Grundlagen
Dense Index/1
Dense Index:
Index-Eintrag (bzw. Pointer in Bucket) f¨ur jeden Datensatz in der Daten-Datei
dense Index kann groß werden (aber normalerweise kleiner als Daten) Handhabung einfacher, da ein Pointer pro Datensatz
Sekund¨arindex ist immer dense
Gegen¨uberstellung von Index-Typen
Alle Index-Typen machen Punkt-Anfragen erheblich schneller.
Index erzeugt Kosten bei Updates: Index muss auch aktualisiert werden.
Dense/Sparse und Prim¨ar/Sekund¨ar :
Prim¨arindex kann dense oder sparse sein Sekund¨arindex ist immer dense
Sortiert lesen (=sequentielles Lesen nach Suchschl¨ussel-Ordnung):
mit Prim¨arindex schnell
mit Sekund¨arindex teuer, da sich aufeinander folgende Datens¨atze auf unterschiedlichen Bl¨ocken befinden (k¨onnen)
Dense vs. Sparse:
sparse Index braucht weniger Platz
sparse Index hat geringere Kosten beim Aktualisieren
dense Index erlaubt bestimmte Anfragen zu beantworten, ohne dass Datens¨atze gelesen werden m¨ussen (“covering index”)
Indexstrukturen f¨ur Dateien Grundlagen
Mehrstufiger Index/1
Großer Index wird teuer:
Index passt nicht mehr in Hauptspeicher und mehrere Block-Lese-Operationen werden erforderlich
bin¨are Suche: blog2(B)c + 1 Block-Lese-Operationen (Index mit B Bl¨ocken)
eventuelle Overflow Bl¨ocke m¨ussen sequentiell gelesen werden
L¨osung: Mehrstufiger Index
Index wird selbst wieder indiziert
dabei wird der Index als sequentielle Daten-Datei behandelt
Mehrstufiger Index/2
Mehrstufiger Index:
Innerer Index: Index auf Daten-Datei Außerer Index: Index auf Index-Datei¨
Falls ¨außerer Index zu groß wird, kann eine weitere Index-Ebene eingef¨ugt werden.
.. . ..
. ...
Außerer¨ Index
.. . ...
.. . ... Innerer Index Index-
block 0
Index- block 1
Daten- block 0
Daten- block 1
Diese Art von (ein- oder mehrstufigem) Index wird auch als ISAM
(Index Sequential Access Method) oder index-sequentielle Datei
bezeichnet.
Indexstrukturen f¨ur Dateien Grundlagen
Mehrstufiger Index/3
Index Suche
beginne beim Root-Knoten
finde alle passenden Eintr¨age und verfolge die entsprechenden Pointer wiederhole bis Pointer auf Datensatz zeigt (Blatt-Ebene)
Index Update: L¨oschen und Einf¨ugen
Indizes aller Ebenen m¨ussen nachgef¨uhrt werden Update startet beim innersten Index
Erweiterungen der Algorithmen f¨ur einstufige Indizes
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Indexstrukturen f¨ur Dateien B+-Baum
B
+-Baum/1
B
+-Baum: Alternative zu index-sequentiellen Dateien:
Vorteile von B
+-B¨aumen:
Anzahl der Ebenen wird automatisch angepasst
reorganisiert sich selbst nach Einf¨uge- oder L¨osch-Operationen durch kleine lokale ¨Anderungen
reorganisieren des gesamten Indexes ist nie erforderlich
Nachteile von B
+-B¨aumen:
evtl. Zusatzaufwand bei Einf¨ugen und L¨oschen etwas h¨oherer Speicherbedarf
komplexer zu implementieren
Vorteile wiegen Nachteile in den meisten Anwendungen bei weitem
auf, deshalb sind B
+-B¨aume die meist-verbreitete Index-Struktur
B
+-Baum/2
P1 K1 P2 . . . Pm−1 Km−1 Pm
P1 K1 P2 . . . Pm−1 Km−1 Pm
P1 K1 P2 . . . Pm−1 Km−1 Pm P1 K1 P2 . . . Pm−1 Km−1 Pm
P1 K1 P2 . . . Pm−1 Km−1 Pm
P1 K1 P2 . . . Pm−1 Km−1 Pm
Knoten mit Grad m : enth¨alt bis zu m − 1 Suchschl¨ussel und m Pointer
Knotengrad m > 2 entspricht der maximalen Anzahl der Pointer Suchschl¨ussel im Knoten sind sortiert
Knoten (außer Wurzel) sind mindestens halb voll
Wurzelknoten:
als Blattknoten: 0 bis m − 1 Suchschl¨ussel als Nicht-Blattknoten: mindestens 2 Kinder
Innerer Knoten: d m/2 e bis m Kinder (=Anzahl Pointer)
Blattknoten: d (m − 1)/2 e bis m − 1 Suchschl¨ussel bzw. Daten-Pointer
balancierter Baum : alle Pfade von der Wurzel zu den Bl¨attern sind
gleich lang (maximal d log
dm/2e(L) e Kanten f¨ur L Blattknoten)
Indexstrukturen f¨ur Dateien B+-Baum
Terminologie und Notation
Ein Paar (P
i, K
i) ist ein Eintrag
L[i ] = (P
i, K
i) bezeichnet den i -ten Eintrag von Knoten L
Daten-Pointer: Pointer zu Datens¨atzen sind nur in den Bl¨attern gespeichert
Verbindung zwischen Bl¨attern: der letzte Pointer im Blatt, P
m, zeigt auf das n¨achste Blatt
Anmerkung: Es gibt viele Varianten des B+-Baumes, die sich leicht unterscheiden.
Auch in Lehrb¨uchern werden unterschiedliche Varianten vorgestellt. F¨ur diese Lehrveranstaltung gilt der B+-Baum, wie er hier pr¨asentiert wird.
B
+-Baum Knotenstruktur/1
P
1K
1P
2K
2P
3. . . P
m−1K
m−1P
mBlatt-Knoten:
K
1, . . . , K
m−1sind Suchschl¨ussel
P
1, ..., P
m−1sind Daten-Pointer
Suchschl¨ussel sind sortiert: K
1< K
2< K
3< . . . < K
m−1Daten-Pointer P
i, 1 ≤ i ≤ m − 1, zeigt auf
einen Datensatz mit Suchschl¨ussel Ki, oder
auf ein Bucket mit Pointern zu Datens¨atzen mit Suchschl¨ussel Ki
P
mzeigt auf das n¨achste Blatt in Suchschl¨ussel-Ordnung
Indexstrukturen f¨ur Dateien B+-Baum
B
+-Baum Knotenstruktur/2
P
1K
1P
2K
2P
3. . . P
m−1K
m−1P
mInnere Knoten:
Stellen einen mehrstufigen sparse Index auf die Blattknoten dar Suchschl¨ussel im Knoten sind eindeutig
P
1, ..., P
msind Pointer zu Kind-Knoten , d.h., zu Teilb¨aumen
Alle Suchschl¨ussel k im Teilbaum von P
ihaben folgende Eigenschaften:
i = 1: k < K1
1 < i < m: Ki−1 ≤ k < Ki i = m: k ≥ K
Beispiel: B
+-Baum/1
Index auf Konto-Relation mit Suchschl¨ussel Filiale B
+-Baum mit Knotengrad m = 5:
Wurzel: mindestens 2 Pointer zu Kind-Knoten
Innere Knoten: dm/2e = 3 bis m = 5 Pointer zu Kind-Knoten Bl¨atter: d(m − 1)/2e = 2 bis m − 1 = 4 Suchschl¨ussel
Perryridge
Brighton Downtown Mianus Perryridge Redwood Round Hill
Indexstrukturen f¨ur Dateien B+-Baum
Beispiel: B
+-Baum/2
B
+-Baum f¨ur Konto-Relation (Knotengrad m = 3)
Wurzel: mindestens 2 Pointer zu Kind-Knoten
Innere Knoten: dm/2e = 2 bis m = 3 Pointer zu Kind-Knoten Bl¨atter: d(m − 1)/2e = 1 bis m − 1 = 2 Suchschl¨ussel
Perryridge
Mianus Redwood
Suche im B
+-Baum/1
Algorithmus: Suche alle Datens¨atze mit Suchschl¨ussel k (Annahme: dense B
+-Baum Index):
1. C ← Wurzelknoten
2. while C keine Blattknoten do
suche im Knoten C nach dem gr¨oßten Schl¨ussel Ki ≤ k if ein Schl¨ussel Ki ≤ k existiert
then C ← Knoten auf den Pi+1 zeigt else C ← Knoten auf den P1 zeigt
3. if es gibt einen Schl¨ussel Ki in C sodass Ki = k
then folge Pointer Pi zum gesuchten Datensatz (oder Bucket) else kein Datensatz mit Suchschl¨ussel k existiert
Indexstrukturen f¨ur Dateien B+-Baum
Suche im B
+-Baum/2
Beispiel: Finde alle Datens¨atze mit Suchschl¨ussel k =Mianus
Beginne mit dem Wurzelknoten
Kein Schl¨ussel Ki ≤Mianus existiert, also folge P1
K1 =Mianus ist der gr¨oßte Suchschl¨ussel Ki ≤Mianus, also folge P2 Suchschl¨ussel Mianus existiert, also folge dem ersten Datensatz-Pointer P1 um zum Datensatz zu gelangen
Perryridge
Mianus Redwood
Suche im B
+-Baum/3
Suche durchl¨auft Pfad von Wurzel bis Blatt:
L¨ange des Pfads h¨ochstens dlogdm/2e(L)e f¨ur L Blattknoten
⇒ dlogdm/2e(L)e + 1 Bl¨ocke1 m¨ussen gelesen werden sind die Blattknoten nur minimal voll (d(m − 1)/2e), ergibt sich die maximale Anzahl der Blattknoten: L =
K
d(m − 1)/2e
Wurzelknoten bleibt im Hauptspeicher, oft auch dessen Kinder, dadurch werden 1–2 Block-Zugriffe pro Suche gespart
Suche effizienter als in sequentiellem Index:
bis zu blog2(B)c + 1 Bl¨ocke1 lesen im einstufigen sequentiellen Index (bin¨are Suche, Index mit B Bl¨ocken, B = dK/(m − 1)e)
1nur Index Bl¨ocke werden gez¨ahlt, Datenzugriff hier nicht ber¨ucksichtigt
Indexstrukturen f¨ur Dateien B+-Baum
Integrierte ¨ Ubung 2.1
Es soll ein Index mit 10
6verschiedenen Suchschl¨usseln erstellt werden. Ein Knoten kann maximal 200 Schl¨ussel mit den entsprechenden Pointern
speichern. Es soll nach einem bestimmten Suchschl¨ussel k gesucht werden.
a) Wie viele Block-Zugriffe erfordert ein B
+-Baum Index maximal, wenn kein Block im Hauptspeicher ist?
b) Wie viele Block-Zugriffe erfordert ein einstufiger, sequentieller Index
mit bin¨arer Suche?
Einf¨ugen in B
+-Baum/1
Datensatz mit Suchschl¨ussel k einf¨ugen:
1. f¨uge Datensatz in Daten-Datei ein (ergibt Pointer) 2. finde Blattknoten f¨ur Suchschl¨ussel k
3. falls im Blatt noch Platz ist dann:
f¨uge (Pointer, Suchschl¨ussel)-Paar so in Blatt ein, dass Ordnung der Suchschl¨ussel erhalten bleibt
4. sonst (Blatt ist voll) teile Blatt-Knoten:
a) sortiere alle Suchschl¨ussel (einschließlich k)
b) die H¨alfte der Suchschl¨ussel bleiben im alten Knoten
c) die andere H¨alfte der Suchschl¨ussel kommt in einen neuen Knoten
d) f¨uge den kleinsten Eintrag des neuen Knotens in den Eltern-Knoten des geteilten Knotens ein
e) falls Eltern-Knoten voll ist dann:
teile den Knoten und propagiere Teilung nach oben, sofern n¨otig
Indexstrukturen f¨ur Dateien B+-Baum
Einf¨ugen in B
+-Baum/2
Aufteilvorgang:
falls nach einer Teilung der neue Schl¨ussel im Elternknoten nicht Platz hat wird auch dieser geteilt
im schlimmsten Fall wird der Wurzelknoten geteilt und der B+-Baum wird um eine Ebene tiefer
Algorithmus: Einf¨ugen in B
+-Baum/1
→ Knoten L , Suchschl¨ussel k , Pointer p (zu Datensatz oder Knoten) Algorithm 1: B+TreeInsert(L, k , p)
if L has less than m − 1 key values then insert(k,p) into L
else // Knoten teilen
T ← L ∪ (k, p); // tempor¨arer Speicher create new node L0;
L0.pm ← L.pm; L ← ∅;
L.pm ← L0;
copy T.p1 through T.kdm/2e into L;
copy T.pdm/2e+1 through T.km into L0; k0 ← T.kdm/2e+1;
B+TreeInsertInParent(L,k0,L0);
Indexstrukturen f¨ur Dateien B+-Baum
Algorithmus: Einf¨ugen in B
+-Baum/2
Algorithm 2: B+TreeInsertInParent(L, k , L
0)
if L is root then
create new root with children L,L0 and value k; return;
P ← parent(L);
if P has less than m pointers then insert(k,L0) into P;
else // Knoten teilen
T ← P ∪ (k,L0);
erase all entries from P; create new node P0;
copy T.p1 through T.pdm/2e into P;
copy T.pdm/2e+1 through T.pm+1 into P0;
Blatt teilen/1
Kopiere L nach T und f¨uge ( k , p) ein: p
1k
1p
2k
2p
3m = 3 1. Anh¨angen und sortieren (z.B.: k
1< k < k
2)
T p
1k
1p k p
2k
2p
32. Teilen (k
0= T .k
dm/2e+1= T .k
3)
p
1k
1p k p
2k
2p
3p
1k
1p k • p
2k
2p
3k
0T
L L
03. (k
0, L
0) in Elternknoten von L einf¨ugen
... L k
0L
0...
p
1k
1p k • p
2k
2p
3Indexstrukturen f¨ur Dateien B+-Baum
Blatt teilen/2
k
0= T .k
dm/2e+1m gerade, z.B.: m=4
k
0m ungerade, z.B.: m=5
k
0Innere Knoten teilen/1
P p
1k
1p
2k
2p
3Kopiere P nach T und f¨uge ( k , p) ein:
1. Anh¨angen und sortieren (z.B.: k
1< k < k
2) T p
1k
1p
2k p k
2p
32. Teilen (k
0= T .k
dm/2e= T .k
2)
p
1k
1p
2k p k
2p
3p
1k
1p
2p k
2p
3L L
0k0
Indexstrukturen f¨ur Dateien B+-Baum
Innere Knoten teilen/2
3. (k
0, L
0) in Elternknoten von L einf¨ugen L k L
0p
1k
1p
2p k
2p
3Innere Knoten teilen/3
k
0= T .k
dm/2em gerade, z.B.: m=4
k
0m ungerade, z.B.: m=5
k
0nach oben
L L’
nach oben
L L’
Indexstrukturen f¨ur Dateien B+-Baum
Beispiel: Einf¨ugen in B
+-Baum/1
B
+-Baum vor Einf¨ugen von Clearview
Perryridge
Mianus
Brighton Downtown Mianus
Redwood
Perryridge Redwood Round Hill
B
+-Baum nach Einf¨ugen von Clearview
Perryridge
Beispiel: Einf¨ugen in B
+-Baum/2
B
+-Baum vor Einf¨ugen von Greenwich
Perryridge
Clearview Mianus
Brighton Clearview Downtown Mianus
Redwood
Perryridge Redwood Round Hill
B
+-Baum nach Einf¨ugen von Greenwich
Greenwich Perryridge
Clearview
Brighton Clearview Downtown
Mianus
Greenwich Mianus
Redwood
Perryridge Redwood Round Hill
Indexstrukturen f¨ur Dateien B+-Baum
L¨oschen von B
+-Baum/1
Datensatz mit Suchschl¨ussel k l¨oschen:
1. finde Blattknoten mit Suchschl¨ussel k 2. l¨osche k von Knoten
3. falls Knoten durch L¨oschen von k zu wenige Eintr¨age hat:
a. Eintr¨age im Knoten und einem Geschwisterknoten passen in 1 Knoten dann:
vereinige die beiden Knoten in einen einzigen Knoten (den linken, falls er existiert; ansonsten den rechten) und l¨osche den anderen Knoten
l¨osche den Eintrag im Elternknoten der zwischen den beiden Knoten ist und wende L¨oschen rekursiv an
b. Eintr¨age im Knoten und einem Geschwisterknoten passen nicht in 1 Knoten dann:
verteile die Eintr¨age zwischen den beiden Knoten sodass beide die
L¨oschen von B
+-Baum/2
Vereinigung:
Vereinigung zweier Knoten propagiert im Baum nach oben bis ein Knoten mit mehr als dm/2e Kindern gefunden wird
falls die Wurzel nach dem L¨oschen nur mehr ein Kind hat, wird sie gel¨oscht und der Kind-Knoten wird zur neuen Wurzel
Indexstrukturen f¨ur Dateien B+-Baum
Algorithmus: L¨oschen im B
+-Baum
Algorithm 3: B+TreeDelete(L, k , p)
delete(k,p) from L
if L is root and has only one remaining child then make the child the new root and delete L
else if L has too few values/pointers then
L0 ← previous sibling of L [next, if there is no previous];
k0 ← value between L and L0 in parent(L);
if entries in L and L0 can fit in a single node then // vereinigen if L is a predecessor of L0 then swap L with L0;
if L is not a leaf then L0 ← L0 ∪ k0 and all (ki,pi) from L;
else L0 ← L0∪ all (ki,pi) from L;
B+TreeDelete(parent(L),k0,L);
else // verteilen
if L0 is a predecessor of L then if L is a nonleaf node then
remove the last (k,p) of L0;
insert the former last p of L0 and k0 as the first pointer and value in L;
else move the last (p,k) of L0 as the first pointer and value to L;
L¨oschen aus Blatt/1
(k , p) wird aus L gel¨oscht:
1. Vereinigen (m = 4) Vorher:
. . . L
0k
0L . . .
p
1k
1p
2k
2• p
3k
3 Sp
Sk • parent (L)
L
0L
Nachher:
. . . L
0 @@k
0L
A. . .
p
1k
1p
2k
2p
3k
3• •
Indexstrukturen f¨ur Dateien B+-Baum
L¨oschen aus Blatt/2
(k , p) wird aus L gel¨oscht:
2. Verteilen (m = 4) Vorher:
. . . L
0k
0L . . .
p
1k
1p
2k
2p
3k
3• p
4k
4 Sp
Sk • parent (L)
L
0L
Nachher:
. . . L
0k
3L . . .
L¨oschen aus innerem Knoten/1
(k , p) wird aus L gel¨oscht:
1. Vereinigen (m = 4) Vorher:
. . . L
0k
0L . . .
p
1k
1p
2k
2p
3p
4 Sk
Sp parent (L)
L
0L
Nachher:
. . . L
0 @@k
0L
A. . .
p
1k
1p
2k
2p
3k
0p
4Indexstrukturen f¨ur Dateien B+-Baum
L¨oschen aus innerem Knoten/2
(k , p) wird aus L gel¨oscht:
2. Verteilen (m = 4) Vorher:
. . . L
0k
0L . . .
p
1k
1p
2k
2p
3k
3p
4p
5 Sk
Sp parent (L)
L
0L
Nachher:
. . . L
0k
3L . . .
Beispiel: L¨oschen von B
+-Baum/1
Vor L¨oschen von Downtown:
Perryridge
Downtown Mianus
Brighton Clearview Downtown Mianus
Redwood
Perryridge Redwood Round Hill
Nach L¨oschen von Downtown:
Perryridge
Mianus
Brighton Clearview Mianus
Redwood
Perryridge Redwood Round Hill
Nach L¨oschen des Blattes mit Downtown hat der Elternknoten noch genug Pointer.
Somit propagiert L¨oschen nicht weiter nach oben.
Indexstrukturen f¨ur Dateien B+-Baum
Beispiel: L¨oschen von B
+-Baum/2
Vor L¨oschen von Perryridge :
Perryridge
Mianus
Brighton Clearview Mianus
Redwood
Perryridge Redwood Round Hill
Nach L¨oschen von Perryridge :
Mianus Perryridge
Brighton Clearview Mianus Redwood Round Hill
Blatt mit Perryridge hat durch L¨oschen zu wenig Eintr¨age und wird mit dem (rechten) Nachbarknoten vereinigt.
Dadurch hat der Elternknoten zu wenig Pointer und wird mit seinem
Beispiel: L¨oschen von B
+-Baum/3
Vor L¨oschen von Perryridge :
Perryridge Downtown Mianus
Brighton Clearview Downtown Mianus
Redwood
Perryridge Redwood Round Hill
Nach L¨oschen von Perryridge :
Mianus Downtown
Brighton Clearview Downtown
Perryridge
Mianus Redwood Round Hill
Elternknoten von Blatt mit Perryridge hat durch L¨oschen zu wenig Eintr¨age und erh¨alt einen Pointer vom linken Nachbarn ( Verteilung von Eintr¨agen).
Schl¨ussel im Elternknoten des Elternknotens (Wurzel in diesem Fall)
¨andert sich ebenfalls.
Indexstrukturen f¨ur Dateien B+-Baum
Beispiel: L¨oschen von B
+-Baum/4
Vor L¨oschen von Redwood :
Mianus
Brighton Clearview Downtown Mianus Redwood
Nach L¨oschen von Redwood :
Downtown
Brighton Clearview Downtown Mianus
Knoten von Blatt mit Redwood hat durch L¨oschen zu wenig Eintr¨age
und erh¨alt einen Eintrag vom linken Nachbarn ( Verteilung von
Zusammenfassung B
+-Baum
Knoten mit Pointern verkn¨upft:
logisch nahe Knoten m¨ussen nicht physisch nahe gespeichert sein erlaubt mehr Flexibilit¨at
erh¨oht die Anzahl der nicht-sequentiellen Zugriffe
B
+-B¨aume sind flach:
maximale Tiefe dlogdm/2e(L)e f¨ur L Blattknoten m ist groß in der Praxis (z.B. m = 200)
Suchschl¨ussel als “Wegweiser”:
einige Suchschl¨ussel kommen als Wegweiser in einem oder mehreren inneren Knoten vor
zu einem Wegweiser gibt es nicht immer einen Suchschl¨ussel in einem Blattknoten (z.B. weil der entsprechende Datensatz gel¨oscht wurde)
Einf¨ugen und L¨oschen sind effizient:
nur O(log(K)) viele Knoten m¨ussen ge¨andert werden
Index degeneriert nicht, d.h. Index muss nie von Grund auf rekonstruiert werden
Indexstrukturen f¨ur Dateien Statisches Hashing
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Statisches Hashing
Nachteile von ISAM und B
+-Baum Indizes:
B+-Baum: Suche muss Indexstruktur durchlaufen ISAM: bin¨are Suche in großen Dateien
das erfordert zus¨atzliche Zugriffe auf Plattenbl¨ocke
Hashing:
erlaubt es auf Daten direkt und ohne Indexstrukturen zuzugreifen kann auch zum Bauen eines Index verwendet werden
Indexstrukturen f¨ur Dateien Statisches Hashing
Hash Datei Organisation
Statisches Hashing ist eine Form der Dateiorganisation:
Datens¨atze werden in Buckets gespeichert Zugriff erfolgt ¨uber eine Hashfunktion
Eigenschaften: konstante Zugriffszeit, kein Index erforderlich
Bucket: Speichereinheit die ein oder mehrere Datens¨atze enth¨alt
ein Block oder mehrere benachbarte Bl¨ocke auf der Platte
alle Datens¨atze mit bestimmtem Suchschl¨ussel sind im selben Bucket Datens¨atze im Bucket k¨onnen verschiedene Suchschl¨ussel haben
Hash Funktion h: bildet Menge der Suchschl¨ussel K auf Menge der Bucket Adressen B ab
wird in konstanter Zeit (in der Anzahl der Datens¨atze) berechnet mehrere Suchschl¨ussel k¨onnen auf dasselbe Bucket abbilden
Suchen eines Datensatzes mit Suchschl¨ussel:
Beispiel: Hash Datei Organisation
Beispiel: Organisation der Konto-Relation als Hash Datei mit Filialname als Suchschl¨ussel.
10 Buckets
Numerischer Code des i -ten Zeichens im 26-Buchstaben-Alphabet wird als i angenommen, z.B., code(B)=2.
Hash Funktion h
Summe der Codes aller Zeichen modulo 10:
h(Perryridge) = 125 mod 10 = 5 h(Round Hill) = 113 mod 10 = 3 (code(’ ’)=0)
h(Brighton) = 93 mod 10 = 3
bucket 0
bucket 1
bucket 2
bucket 3
A-217 Brighton 750 A-305 Round Hill 350
bucket 4
A-222 Redwood 700
bucket 5
A-102 Perryridge 400 A-201 Perryrdige 900 A-218 Perryridge 700
bucket 6
bucket 7
A-215 Mianus 700
bucket 8
A-101 Downtown 500 A-110 Downtown 600
bucket 9
Indexstrukturen f¨ur Dateien Statisches Hashing
Hash Funktionen/1
Die Worst Case Hash Funktion bildet alle Suchschl¨ussel auf das gleiche Bucket ab.
Zugriffszeit wird linear in der Anzahl der Suchschl¨ussel.
Die Ideale Hash Funktion hat folgende Eigenschaften:
Die Verteilung ist uniform (gleichverteilt), d.h. jedes Bucket ist der gleichen Anzahl von Suchschl¨usseln aus der Menge aller Suchschl¨ussel zugewiesen.
Die Verteilung ist random (zuf¨allig), d.h. im Mittel erh¨alt jedes Bucket gleich viele Suchschl¨ussel unabh¨angig von der Verteilung der
Suchschl¨ussel.
Hash Funktionen/2
Beispiel: 26 Buckets und eine Hash Funktion welche Filialnamen die mit dem i -ten Buchstaben beginnen dem Bucket i zuordnet.
keine Gleichverteilung, da es in der Dom¨ane der Filialnamen (Menge aller m¨oglichen Filialnamen) vermutlich mehr Filialen gibt die mit B beginnen als mit X.
Beispiel: Hash Funktion die Kontostand nach gleich breiten Intervallen aufteilt: 1 - 10000 → 0, 10001 - 20000 → 1, usw.
uniform, da es f¨ur jedes Bucket gleich viele m¨ogliche Werte von Kontostand gibt
nicht random, da Kontost¨ande in bestimmten Intervallen h¨aufiger sind, aber jedem Intervall 1 Bucket zugeordnet ist
Typsiche Hash Funktion: Berechnung auf interner Bin¨ardarstellung des Suchschl¨ussels, z.B. f¨ur String s mit n Zeichen, b Buckets:
(s[0] + s[1] + . . . + s[n − 1]) modb, oder
(31n−1s[0] + 31n−2s[1] + . . . + s[n − 1]) modb
Indexstrukturen f¨ur Dateien Statisches Hashing
Bucket Overflow/1
Bucket Overflow: Wenn in einem Bucket nicht genug Platz f¨ur alle zugeh¨origen Datens¨atze ist, entsteht ein Bucket Overflow. Das kann aus zwei Gr¨unden geschehen:
zu wenig Buckets
Skew: ungleichm¨aßige Verteilung der Hashwerte
Zu wenig Buckets: die Anzahl n
Bder Buckets muss gr¨oßer gew¨ahlt werden als die Anzahl der Datens¨atze n geteilt durch die Anzahl der Datens¨atze pro Bucket f : n
B> n/f
Skew: Ein Bucket ist ¨uberf¨ullt obwohl andere Buckets noch Platz haben. Zwei Gr¨unde:
viele Datens¨atze haben gleichen Suchschl¨ussel (ungleichm¨aßige Verteiltung der Suchschl¨ussel)
Hash Funktion erzeugt ungleichm¨aßige Verteiltung
Obwohl die Wahrscheinlichkeit f¨ur Overflows reduziert werden kann,
Bucket Overflow/2
Overflow Chaining (closed addressing)
falls ein Datensatz in Bucket b eingef¨ugt wird und b schon voll ist, wird ein Overflow Bucket b0 erzeugt, in das der Datensatz gespeichert wird die Overflow Buckets f¨ur Bucket b werden in einer Liste verkettet
f¨ur einen Suchschl¨ussel in Bucket b m¨ussen auch alle Overflow Buckets von b durchsucht werden
bucket 2 bucket 1 bucket 0
overflow buckets for bucket 1
Indexstrukturen f¨ur Dateien Statisches Hashing
Bucket Overflow/3
Open Addressing: Die Menge der Buckets ist fix und es gibt keine Overflow Buckets.
¨uberz¨ahlige Datens¨atze werden in ein anderes (bereits vorhandenes) Bucket gegeben, z.B. das n¨achste das noch Platz hat (linear probing) wird z.B. f¨ur Symboltabellen in Compilern verwendet, hat aber wenig Bedeutung in Datenbanken, da L¨oschen schwieriger ist
Hash Index
Hash Index: organisiert (Suchschl¨ussel,Pointer) Paare als Hash Datei
Pointer zeigt auf Datensatz
Suchschl¨ussel kann mehrfach vorkommen
Beispiel: Index auf Konto-Relation
Hash Funktion h: Quersumme der Kontonummer modulo 7 Beachte: Konto-Relation ist nach Filialnamen geordnet
A-222 bucket 6 bucket 5 A-218 bucket 4
A-102 A-217 bucket 3
A-110 A-101 bucket 2
A-305 A-215 bucket 1 bucket 0
A-201 A-305 Round Hill 305
A-222 Redwood 700
A-218 Perryridge 700 A-201 Perryridge 900 A-102 Perryridge 400
A-215 Mianus 700
A-110 Downtown 600 A-101 Downtown 500 A-217 Brighton 750
Hash Index ist immer Sekund¨arindex:
ist deshalb immer “dense”
Prim¨ar- bzw. Clustered Hash Index entspricht einer Hash Datei Organisation (zus¨atzliche Index-Ebene ¨uberfl¨ussig)
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Probleme mit Statischem Hashing
Richtige Anzahl von Buckets ist kritisch f¨ur Performance:
zu wenig Buckets: Overflows reduzieren Performance
zu viele Buckets: Speicherplatz wird verschwendet (leere oder unterbesetzte Buckets)
Datenbank w¨achst oder schrumpft mit der Zeit:
großz¨ugige Sch¨atzung: Performance leidet zu Beginn knappe Sch¨atzung: Performance leidet sp¨ater
Reorganisation des Index als einziger Ausweg:
Index mit neuer Hash Funktion neu aufbauen
sehr teuer, w¨ahrend der Reorganisation darf niemand auf die Daten schreiben
Alternative: Anzahl der Buckets dynamisch anpassen
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Dynamisches Hashing
Dynamisches Hashing (dynamic hashing): Hash Funktion wird dynamisch angepasst.
Erweiterbares Hashing (extendible hashing): Eine Form des
dynamischen Hashing.
Erweiterbares Hashing
Hash Funktion h berechnet Hash Wert f¨ur sehr viele Buckets:
eine b-Bit Integer Zahl
typisch b = 32, also ∼ 4 Milliarden (m¨ogliche) Buckets
Hash-Prefix:
nur die i h¨ochstwertigen Bits (MSB) des Hash-Wertes werden verwendet
0 ≤ i ≤ b ist die globale Tiefe
i w¨achst oder schrumpft mit Datenmenge, anfangs i = 0
Verzeichnis: (directory, bucket address table)
Hauptspeicherstruktur: Array mit 2i Eintr¨agen Hash-Prefix indiziert einen Eintrag im Verzeichnis jeder Eintrag verweist auf ein Bucket
mehrere aufeinanderfolgende Eintr¨age im Verzeichnis k¨onnen auf dasselbe Bucket zeigen
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Erweiterbares Hashing
Buckets:
Anzahl der Buckets ≤ 2i
jedes Bucket j hat eine lokale Tiefe ij
falls mehrere Verzeichnis-Pointer auf dasselbe Bucket j zeigen, haben die ensprechenden Hash Werte dasselbe ij-Prefix.
Beispiel: i = 2, i
1= 1, i
2= i
3= 2,
. . .
i
11. . . 10. . . 01. . . 00. . . hash prefix
i1
bucket 1 i2
bucket 2 i3
Erweiterbares Hashing: Suche
Suche: finde Bucket f¨ur Suchschl¨ussel K
1. berechne Hash Wert h(K) = X
2. verwende die i h¨ochstwertigen Bits (Hash Prefix) von X als Adresse ins Verzeichnis
3. folge dem Pointer zum entsprechenden Bucket
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Erweiterbares Hashing: Einf¨ugen
Einf¨ugen: f¨uge Datensatz mit Suchschl¨ussel K ein
1. verwende Suche um richtiges Bucket j zu finden 2. If genug freier Platz in Bucket j then
f¨uge Datensatz in Bucket j ein
3. else
teile Bucket und versuche erneut
Erweiterbares Hashing: Bucket teilen
Bucket j teilen um Suchschl¨ussel K einzuf¨ugen
If i > ij (mehrere Pointer zu Bucket j) then
lege neues Bucket z an und setze iz und ij auf das alte ij + 1
aktualisiere die Pointer die auf j zeigen (die H¨alfte zeigt nun auf z) l¨osche alle Datens¨atze von Bucket j und f¨uge sie neu ein
(sie verteilen sich auf Buckets j und z) versuche K erneut einzuf¨ugen
Else if i = ij (nur 1 Pointer zu Bucket j) then
erh¨ohe i und verdopple die Gr¨oße des Verzeichnisses
ersetze jeden alten Eintrag durch zwei neue Eintr¨age die auf dasselbe Bucket zeigen
versuche K erneut einzuf¨ugen
Overflow Buckets m¨ussen nur erzeugt werden, wenn das Bucket voll
ist und die Hashwerte aller Suchschl¨ussel im Bucket identisch sind
(d.h., teilen w¨urde nichts n¨utzen)
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Integrierte ¨ Ubung 2.2
Betrachten Sie die folgende Hashfunktion:
Schl¨ussel Hashwert Brighton 0010
Downtown 1010
Mianus 1100
Perryridge 1111 Redwood 0011
Nehmen Sie Buckets der Gr¨oße 2 an und erweiterbares Hashing mit einem anfangs leeren Verzeichnis. Zeigen Sie die Hashtabelle nach folgenden
Operationen:
f¨uge 1 Brighton und 2 Downtown Datens¨atze ein f¨uge 1 Mianus Datensatz ein
f¨uge 1 Redwood Datensatz ein
Erweiterbares Hashing: L¨oschen
L¨oschen eines Suchschl¨ussels K
1. suche Bucket j f¨ur Suchschl¨ussel K
2. entferne alle Datens¨atze mit Suchschl¨ussel K
3. Bucket j kann mit Nachbarbucket(s) verschmelzen falls
alle Suchschl¨ussel in einem Bucket Platz finden die Buckets dieselbe lokale Tiefe ij haben
die ij − 1 Prefixe der entsprechenden Hash-Werte identisch sind
4. Verzeichnis kann verkleinert werden, wenn ij < i f¨ur alle Buckets j
Indexstrukturen f¨ur Dateien Dynamisches Hashing
Integrierte ¨ Ubung 2.3
Betrachten Sie die folgende Hashfunktion:
Schl¨ussel Hashwert Brighton 0010
Downtown 1010
Mianus 1100
Perryridge 1111 Redwood 0011
Gehen Sie vom Ergebnis der vorigen ¨ Ubung aus und f¨uhren Sie folgende Operationen durch:
1 Brighton und 1 Downtown l¨oschen 1 Redwood l¨oschen
2 Perryridge l¨oschen
Erweiterbares Hashing: Pro und Kontra
Vorteile von erweiterbarem Hashing
bleibt effizient auch wenn Datei w¨achst
Overhead f¨ur Verzeichnis ist normalerweise klein im Vergleich zu den Einsparungen an Buckets
keine Buckets f¨ur zuk¨unftiges Wachstum m¨ussen reserviert werden
Nachteile von erweiterbarem Hashing
zus¨atzliche Ebene der Indirektion – macht sich bemerkbar, wenn Verzeichnis zu groß f¨ur den Hauptspeicher wird
Verzeichnis vergr¨oßern oder verkleinern ist relativ teuer
Indexstrukturen f¨ur Dateien Dynamisches Hashing
B
+-Baum vs. Hash Index
Hash Index degeneriert wenn es sehr viele identische (Hashwerte f¨ur) Suchschl¨ussel gibt – Overflows!
Im Average Case f¨ur Punktanfragen in n Datens¨atzen:
Hash index: O(1) (sehr gut) B+-Baum: O(log n)
Worst Case f¨ur Punktanfragen in n Datens¨atzen:
Hash index: O(n) (sehr schlecht) B+-Baum: O(log n)
Anfragetypen:
Punktanfragen: Hash und B+-Baum
Mehrpunktanfragen: Hash und B+-Baum
Bereichsanfragen: Hash Index nicht brauchbar
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Indexstrukturen f¨ur Dateien Mehrschl¨ussel Indizes
Zugriffe ¨uber mehrere Suchschl¨ussel/1
Wie kann Index verwendet werden, um folgende Anfrage zu beantworten?
select AccNr from account
where BranchName = ”Perryridge” and Balance = 1000 Strategien mit mehreren Indizes (jeweils 1 Suchschl¨ussel):
a) BranchName = ”Perryridge” mit Index auf BranchName auswerten;
auf Ergebnis-Datens¨atzen Balance = 1000 testen.
b) Balance = 1000 mit Index auf Balance auswerten; auf
Ergebnis-Datens¨atzen BranchName = ”Perryridge” testen.
c) Verwende BranchName Index um Pointer zu Datens¨atzen mit
BranchName = ”Perryridge” zu erhalten; verwende Balance Index f¨ur Pointer zu Datens¨atzen mit Balance = 1000; berechne die
Zugriffe ¨uber mehrere Suchschl¨ussel/2
Nur die dritte Strategie n¨utzt das Vorhandensein mehrerer Indizes.
Auch diese Strategie kann eine schlechte Wahl sein:
es gibt viele Konten in der ”Perryridge”Filiale es gibt viele Konten mit Kontostand 1000
es gibt nur wenige Konten die beide Bedingungen erf¨ullen
Effizientere Indexstrukturen m¨ussen verwendet werden:
(traditionelle) Indizes auf kombinierten Schl¨usseln
spezielle mehrdimensionale Indexstrukturen, z.B., Grid Files, Quad-Trees, Bitmap Indizes.
Indexstrukturen f¨ur Dateien Mehrschl¨ussel Indizes
Zugriffe ¨uber mehrere Suchschl¨ussel/3
Annahme: Geordneter Index mit kombiniertem Suchschl¨ussel (BranchName, Balance)
Kombinierte Suchschl¨ussel haben eine Ordnung (BranchName ist das erstes Attribut, Balance ist das zweite Attribut)
Folgende Bedingung wird effizient behandelt (alle Attribute):
where BranchName = ”Perryridge” and Balance = 1000 Folgende Bedingung wird effizient behandelt (Prefix):
where BranchName = ”Perryridge”
Folgende Bedingung ist ineffizient (kein Prefix der Attribute):
where Balance = 1000
Inhalt
1
Indexstrukturen f¨ur Dateien Grundlagen
B
+-Baum
Statisches Hashing
Dynamisches Hashing
Mehrschl¨ussel Indizes
Indizes in SQL
Indexstrukturen f¨ur Dateien Indizes in SQL